hallucination-leaderboard

hallucination-leaderboard

LLM在文档总结任务中的幻觉频率排名

Vectara的Hughes幻觉评估模型定期分析和更新LLM排名,揭示各模型在文档总结任务中的幻觉出现频率。排行榜还包括事实一致性率、回答率等关键性能指标,助您识别信息传达准确性最佳的LLM。

VectaraLLMhallucination ratefactual consistencyHHEM-2.1Github开源项目

Hallucination Leaderboard 项目介绍

项目背景与目标

Hallucination Leaderboard 是一个由 Vectara 公司发起的公共大规模语言模型(LLM)排行榜,该排行榜基于哈奇斯幻觉评估模型(Hughes Hallucination Evaluation Model, HHEM)来评估。当LLM在总结文档时引入不真实信息(幻觉)的频率如何。此项目旨在随着模型和LLM的更新,定期更新排行榜,为学术研究和产业应用提供实时评估工具。

幻觉评估模型

排行榜的排行是通过最新版本的HHEM-2.1幻觉评估模型来计算的。此模型专门用于检测LLM输出中的幻觉,以确保生成的总结内容与原始文档的一致性和准确性。感兴趣的用户可以在 Hugging Face 和 Kaggle 访问这一开源版本的评估模型。

数据来源与方法论

为了评估模型,我们使用了多个开放源代码的数据集,这些数据集用于研究总结模型的真实性一致性。具体而言,项目方将千余个短文档通过各个LLM的公共API进行总结,最终使用831个被所有模型总结的文档来计算各个模型的总体真实性一致性率与幻觉率。

项目特别关注于总结任务中的真实一致性而非总体真实准确性,这是为了能更精准地比较模型在给定信息下的回复表现。幻觉检出过程参考了大量现有的学术研究,使得这一方法不仅可用于当前任务,也对LLM的整体真实性能力提供指引。

模型排行榜

在排行榜上,各个模型的表现通过以下指标进行展示:

  • 幻觉率:反映了模型生成不真实内容的频率。
  • 实际一致性率:描述了模型生成内容与原始文档的一致性。
  • 回应率:模型是否能有效回应指定任务。
  • 总结长度:模型生成总结的平均字数。

这些指标结合为用户提供了对不同模型在总结任务中的真实性和一致性表现的全面理解。

已实现与未来计划

项目当前实现了一个排名列表,用户可以在 Hugging Face 网站查看完整排行榜。项目方还计划添加更多特性,例如引用准确性的排行榜以及多文档总结等任务的评估。此外,未来也将扩展语言覆盖范围,以适应更多样化的用户需求和应用场景。

总之, Hallucination Leaderboard 项目致力于为大规模语言模型提供直观且详尽的真实性检测工具,也是模型研究和应用的一大进展。希望通过社区共同努力,不断推进幻觉检测领域的发展,优化模型的输出质量。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多